基于多层感知器的分布式光伏发电系统发电量预估

钟彬, 李冰若, 兰巧倩, 张斯羽

(1.国网上海市电力公司,上海 200122; 2.国网上海长兴供电公司,上海 202150)

0 引 言

光伏发电作为一种清洁、可再生能源,具有广泛的用途。但是,光伏发电系统容易受环境因素的影响,其发电量存在较大的波动和不确定性,给发电管理和运营带来了困难[1］。文献[2]利用给予LoRa技术的自动气象监测系统对光伏电站环境参数实施监控,此系统的优点是数据传输能够不依赖通信网络,提高通信传输扩张性。但是该系统在城市里容易受噪声干扰,传输距离受限。文献[3]提出利用大型天气预测装置来估算光伏所在环境,将高压系统与之连接,达到实现智能化采样与控制工作的效果,该系统的优点是能够全面提高光伏预测的水平,将所有参数都纳入预测范畴。但是没有充分考虑到现场装置及安装环境和气象变化的影响。文献[4]采用人工神经网络法来实现对光伏功率的预测,该算法可以模仿人的大脑对数据处理具有自主学习和推理的能力,可以很迅速地完成响应,但是算法需要大量数据作支撑,如果数据较少,会导致误差增大,不利于预测的准确性。

针对上述技术的不足,本文设计了一个基于多层感知器(multilayer perceptron,MLP)的光伏发电预测系统[5-7］。

1 基于MLP的光伏功率预测方法

光伏发电量预测逻辑模型如图1所示。

图1 光伏预测逻辑图

由图1可知,在本文研究分布式发电预测系统内,光照辐射量是预测发电量的主要参数。另外利用云图装置的天气预测数据对光照辐射量进行修正,运用到系统的发电量预测中。

1.1 光伏发电量预测原理介绍

预测方法的原理是结合短期功率预测的数据和光伏发电系统发电量的历史数据和天气预测对此后的某天的发电量进行预测。分布式光伏发电系统发电量及输出功率用式(1)表示。

(1)

式中:EP为光伏发电量;PAS为标准状态下组件功率;A为板块面积;GS为标准状态下光照辐射度;ηPS为太阳电池转换效率;HA为组件受照能量;K为综合设计系数。

分布式光伏发电系统受到光照辐射所产生的电量为:

(2)

式中:t0、t1为受光照辐射开始和结束的时间。

本文研究发电系统的交流发电量为:

(3)

式中:Eac为并网后输出电量;η为式逆变器转换效率。

1.2 预测方案的实现

本文设计的光伏发电预测系统是建立在分布式光伏发电过程的理想状态下进行的,目标系统的最大功率的表达式是:

Pmax=ImVm=EffIscVoc

(4)

式中:Pmax为光伏功率峰值;Im为电流最大值;Isc为短路电流;Eff为填充因子;Voc为开路电压。

本文系统中,发电模块受到光照辐射的影响,因此将模块的输出功率近似看作光照辐射强度和模块温度的表达。

P=f(Gs,T)

(5)

式中:P为组件输出功率;Gs为光照辐射强度;T为组件温度。

在本文设计的理想化中,发电系统单向导电特性因子是1,各组件串联电阻近似0,并联电阻近似正无穷。在此框架中,能够将各参数进行归一化管理。实施计算过程如式(6)、式(7)所示。

(6)

(7)

光伏发电预测系统的短路电流、光生电流、光照辐射度和温度之间的关系如式(8)所示。

(8)

式中:Isc为短路电流;KT为光伏电池短路电流时的温度系数;IscR为光伏组件常态下的短路电流;ZR为参考光照辐射量,常态下是1 100 W/m2;TR、T分别为标准状态和任意状态下的组件温度。

发电模块的温度情况对短路电流,在理想状态下不考虑其影响,利用式(9)代替式(8)。

(9)

式中:ϑ为常数,取值大小和发电组件受辐射面积相关。将式(9)代入到式(6)可知:

(10)

将式(9)、式(10)代入式(7)可得:

(11)

在式(7)中,表示分布式光伏电池的最大输出功率式为:

Pm=Voc×Isc×Eff×kT,H

(12)

式中:Pm为光伏电池的最大输出功率;kT,H为发电系统模块做大输出功率和温度的表达权值,kT,H=1+ϖ(T-TR),ϖ为最大功率温度系数。通过计算发电系统模块的光照辐射度和温度就能够完成对输出功率的模型构建。

将式(9)～式(11)代入到式(12),可得:

(13)

(14)

式中:c0、c1、c2为常数。

发电量预测计算表达式:

H=PmPASEPηS

(15)

式中:H为发电量预测值;Pm为光伏电池的最大输出功率;EP为光伏发电量;PAS为标准状态下组件功率;ηS为光电转换效率。利用实际的光照辐射度和模块温度对发电功率进行计算,即实现分布式光伏发电系统的发电量的预测。

1.3 预测模型评价标准

为了更系统地评价本文发电预测系统,采用平均绝对误差(mean absolute error,MAE)和均方根误差(root mean squared error,RMSE)两种客观标准进行评价。评价依据如下:

(16)

(17)

2 MLP模型的设计

在本文预测系统内引入多层感知器,多层感知器的作用就是一个能够把训练集的正例和反例划分为两个部分的器件,保证数据预测的正确性。多层感知器模型如图2所示。多层感知器的主要原理类似于深度神经网络(deep neural networks,DNN),包括输入层、隐藏层、输出层[8］,每层由多个神经元构建、具有较强的非线性特征,其中,隐含层输出为:

图2 多层感知器模型

H=f(XWh+bh)

(18)

输出层表达式为:

O=f(XWo+bo)

(19)

式中:X为输入;Wh为隐含层权重;Wo为输出层权重;bh为隐含层是阈值;bo为输出层阈值;f为激活函数,向量和维度由神经元数量大小决定。但是该模型容易造成结果过拟合和梯度消失的问题,需要进一步改进。

为了解决上述中过拟合以及梯度消失的问题,在MLP内加入批归一化层(batch normalozation,BN),加快收敛速度以及防止在反向传播过程中发生的梯度消失情况。改进模型如图3所示。

图3 改进MLP模型图

由图3可知,在本模块内加入批归一化层,提高收敛速度以防止在传输过程中发生梯度消失的情况。在MLP中,神经元数量较大,对隐含层的神经元使用dropout随机删除相关神经元解决过拟合问题[9］。计算公式如式(20)所示。

(20)

3 预测系统的设计实现

本文设计了一个基于多层感知器的光伏发电预测系统,通过对已有MLP模块的改进,具体系统构成如图4所示。

图4 系统构成图

由图4可知,本文研究系统采用“三层两网”的工作架构,其中三层包含有云图装置层、数据计算层和系统管理层,两网结构中包含过程层和站控层网络等,系统预测逻辑图如图5所示。

图5 系统工作逻辑图

在图5中,通过式(1)得到光伏发电系统的光伏发电量和组件功率,通过式(2)得到光伏发电所产生的电量,在经过式(3)计算可得转换到交流电的电量。将收集的各光伏组件参数通过计算最终得出准确的发电预测参数。再将得到的光伏发电量,标准状态下组件功率和光电转换效率利用式(15)处理,得到光伏发电系统的预测发电量。然后利用改进的MLP模块解决预测值过拟合和梯度消失的问题,保证预测值的正确性。最后上传系统管理模块,结束本次运行。

4 试验流程与结果

通信网络传输速度为60 MB/s,测试试验环境为:半双工总线采用RS422型、CPU采用Intel i7 9300KF、MSP430芯片仿真采用Proteus 8.6仿真、数据仿真则使用MATLAB 2017版本,计算机操作系统选择Windows10。实验室中根据试验记录报表,经过后续分类汇总,该试验在测试该设计方法的计量价值性能时,读写器实时收集电力装置的数据,并将装置数据上传到数据库中。

光伏发电模块参数如表1所示。

表1 光伏发电模块参数

为了进一步验证本系统,以15 min为周期。随机选择一个月的数据,对影响匀速值平均化处理,如图6所示。

图6 光伏电站环境因素变化图

由图6可知,在光伏电站的环境中,受光照辐射度影响最大,风力和湿度影响最小,这也为以后的组件设施提供了数据依据。

表2为某天气测得分布式光伏发电模块各组件参数的试验数据。

表2 试验数据表

本文系统的作用在此过程中分析明确,划分清晰,试验将抽取某晴天和某雨天光伏发电情况用MATLAB仿真,所得结果如图7所示。由图7可知,晴天时候光照辐射最大,光伏的发电量也最能够达到峰值。雨天预测如图8所示。由图8可知,雨天时的光伏发电情况较晴天差别较大,因此证明光伏共汇率预测系统的必要性和适时性。由以上仿真情况,依照本系统的发电量预测,可得出年发电量中晴天和雨天的数据,如表3所示。

表3 年发电量预测值和实测值 单位:Wh

图7 晴天光伏功率图

图8 雨天光伏功率图

由表3可知,本文系统对于光伏发电量的预测误差在1%左右,能够达到对光伏发电精准预测的标准,契合系统预测效果。

通过将上述环境因素、发电量预测误差等业务参数统一考量后,通过MATLAB仿真,如图9所示。

图9 系统整体工作参数图

由图9可知,本文主要测试系统的误差率和波动率,在测试后可知,本文研究系统误差不随时间的变化而变化。将测试样本集数据用MAE和RMSE测试后得出系统误差对比,如图10所示。

图10 误差对比图

由图10可知,文献[3]误差较大且不稳定,文献[4]随着系统运行时间的增加,误差不断增大,不符合实际情况允许的范围,经过对比可知本文方法的有较大的优越性。

5 结束语

本文预测系统具体分为云图装置层、数据传输层和系统管理层,两网结构中包含过程层和站控层网络等。在底层的终端将收集到的数据整理后发送到系统管理称,完成对光伏发电量的预测。在数据经过智能处理后会自动以日志的形式保存在数据存储中心,达到既方便又准确获取相关信息和数据的目的。这样既保证了数据的安全,又有利于筛选冗杂的数据信息,为数据存储营造良好的空间环境。但本文研究系统存在各个环节功能不稳定,需要人工监控,这也是后续本系统需要加强和改进的方向。